머신러닝 기반 개별 치료 효과 추정: 무작위 임상시험 시간‑대 사건 데이터 평가

초록

본 연구는 무작위 임상시험(RCT)에서 시간‑대 사건(생존) 결과를 대상으로, 고차원 변수와 비선형·상호작용을 포함한 개별 치료 효과(ITE)를 추정하기 위해 신경망 기반 CoxCC·CoxTime 모델과 Interaction Forests를 기존 적응형 LASSO(Cox‑ALASSO)와 비교하였다. 시뮬레이션과 실제 암 임상시험 데이터에서 머신러닝 모델이 특히 판별력(C‑for‑Benefit)과 보정(E50‑for‑Benefit, RMSE)에서 우수함을 보였다.

상세 분석

이 논문은 RCT에서 개별 환자 수준의 치료 효과를 추정하는 문제를 ‘조건부 평균 치료 효과(CATE)’라는 잠재적 결과(framework)로 정의하고, 이를 시간‑대 사건 데이터에 맞게 확장한 점이 가장 큰 특징이다. 기존 연구 대부분이 이진 결과에 초점을 맞춘 반면, 저자들은 검열(censoring)을 고려한 C‑for‑Benefit, E50‑for‑Benefit, RMSE‑Benefit와 같은 새로운 평가지표를 제안하였다. 모델 측면에서는 세 가지 접근법을 비교한다. 첫째, CoxCC와 CoxTime은 케이스‑컨트롤식 손실함수를 사용해 위험 집합을 샘플링함으로써 계산 효율성을 높이고, CoxTime은 시간 변수를 추가해 비비례 위험 가정을 완화한다. 둘째, Interaction Forests는 전통적인 랜덤 서바이벌 포레스트에 ‘양방향 상호작용(split‑pair)’을 허용해 바이오마커‑치료 상호작용을 명시적으로 모델링한다. 셋째, 벤치마크인 Cox‑ALASSO는 적응형 가중치를 부여한 L1 페널티로 변수 선택과 선형 효과 추정을 수행한다. 하이퍼파라미터 탐색은 신경망에 대해 Tree‑Parzen 탐색을 200회 시행하고, IF는 기본값을 사용한다. 시뮬레이션에서는 두 가지 데이터 생성 프로세스를 설계했는데, 첫 번째는 비선형 함수 f(x)=(2x‑1)²와 바이오마커‑치료 상호작용을 포함하고, 두 번째는 보다 복잡한 비선형·다중 상호작용을 도입했다. 결과는 첫 번째 시뮬레이션에서 신경망이 보정 측면에서 ALASSO를 앞섰으며, IF가 C‑for‑Benefit에서 가장 높은 판별력을 보였다. 두 번째 시뮬레이션에서는 모든 머신러닝 모델이 ALASSO를 전반적으로 능가했다. 실제 암 임상시험(유전자 발현 + 임상 변수) 3개 데이터셋에서도 동일한 경향이 관찰되었으며, 특히 IF가 C‑for‑Benefit에서 일관된 우위를 차지하고, 신경망 또는 IF가 보정 지표에서 최상위를 기록했다. 이러한 결과는 비선형·고차원 상호작용이 존재할 때 전통적인 선형 Cox 모델보다 머신러닝 기반 서바이벌 모델이 더 정확한 ITE 추정을 제공한다는 실증적 근거를 제공한다. 다만, 모델 해석성 부족, 과적합 위험, 그리고 검열 비율이 높은 경우 추정 편향이 발생할 가능성 등 한계점도 명시한다. 향후 연구에서는 인과 추론 프레임워크와 결합한 앙상블 방법, 그리고 외부 검증을 통한 일반화 가능성 검증이 필요하다.